[发明专利]基于一维深度残差轻量网络的编码调制联合识别方法

说明书

本发明公开一种基于一维深度残差轻量网络的编码调制联合识别方法，其实现步骤为：(1)生成29种编码调制联合信号和2种调制信号；(2)生成训练样本集和测试样本集；(3)构建一维深度残差轻量网络模型；(4)训练一维深度残差轻量网络模型；(5)将测试样本集输入到训练好的一维深度残差轻量网络模型中进行测试，获得识别准确率，评估网络性能。本发明是一种通用的无线电信号特征提取方法，具有普适性好、鲁棒性强、识别准确率高、网络参数少、识别信号类型多的优点，可用于实际复杂通讯环境下的无线电信号的编码与调制方式的联合识别。

技术领域

本发明属于通信技术领域，更进一步涉及无线电信号处理技术领域中的一种基于一维深度残差轻量网络的编码调制联合识别方法。本发明可以适用于复杂的电磁环境，通过构建的一维深度残差轻量网络自动提取无线电信号特征，利用所提取的无线电信号特征对不同调制方式和不同信道编码方式的无线电信号种类进行识别。

背景技术

无线电信号识别在军事和民用上都发挥着重要的作用，早期的无线电信号源数量少、体制单一、功能简单、频域覆盖范围小，利用专家先验知识进行人工特征提取就能完成无线电信号的识别。然而随着如今无线电通信技术的不断发展，使得通信环境日渐复杂多变，基于传统分类方法的识别技术，虽然能在给定的测试信号上达到令人满意的识别率，但大多操作繁琐，依赖人工特征提取，且只能完成有限种类信号的调制方式识别或信道编码方式识别，在编码调制联合识别领域还有待进一步发展。因此，找到一种高效简洁、可以完成复杂电磁环境下无线电信号编码调制联合识别的方法显得尤为重要。残差网络通过在网络结构中加入捷径，成功解决了神经网络层数增加所带来的退化问题，使得十几甚至上百层的深度神经网络的实现成为现实。目前，残差网络已经在计算机视觉方面取得了广泛的应用，但在其他诸如一维信号处理等领域却没有得到有效的应用。

北京航空航天大学在其拥有的专利技术“一种基于广义S变换的通信信号调制识别方法”(申请号201210150812.5，授权公告号CN 102685053B)中公开了一种基于广义S变换的通信信号调制识别方法。该方法的具体步骤如下：1、根据输入的信噪比调制信号的特征，对输入的调制信号进行解析信号构造,得到解析信号，作为进行广义S变换的信号；2、构造广义S变换所需要的高斯窗函数；3、根据广义S变换的表达式确定高斯窗宽度因子σ，结合短时傅里叶变换和高斯窗函数对输入的调制信号进行广义S变换，得到调制信号的时频能量分布图；4、依据步骤3得到的时频能量分布图，对比各种调制信号的能量图像，找出各种调制信号广义S变换后时频能量图像之间的差别，选取能量集中的频带条数、高低频分量能量最大值之比、能量时域分布、高低频分量极大值时域分布和高频分量极大值分布，对各种调制信号进行识别。该方法虽然提出了一种基于广义S变换的通信信号调制识别方法，但是，该方法仍然存在的不足之处是，在进行广义S变换时提取信号特征的过程繁琐，需要反复对比信号的能量图像才能完成对信号的识别，过度依赖专家先验，并且只适用于对信号的调制方式识别。

苏州科技大学在其申请的专利文献“一种基于残差网络的多层感知机人工神经网络”(申请号201611035693.3，申请公布号CN 106779062A)中公开了一种基于残差网络的多层感知机人工神经网络。该人工神经网络采用全连接的方式代替残差神经网络中的卷积，网络模块结构中神经元结构通过每一个隐藏层的输出来得到完整残差模块的输出，以期望能在图像处理以外的领域得到更好的应用。但是，该方法仍然存在的不足之处是，没有充分利用残差网络可以实现更深层网络的特性，只构建了一个包含两层感知机的人工神经网络，而在抛弃原有残差网络中的卷积操作的同时，也抛弃了卷积操作在提取数据特征等方面的优势。

发明内容

本发明的目的是针对一维无线电信号识别上述现有技术存在的不足，提出一种基于一维深度残差轻量网络的编码调制联合识别方法，实现了在复杂电磁环境下对无线电信号的编码调制联合识别。